Data Science, Analytics and AI course 2019

Олександр Романко

Senior Research Analyst, IBM Canada

20 — 21 квiтня

З 10:00 до 17:30

InnoHub

б-р Вацлава Гавела, 6з, м. Київ

Facebook

20 й 21 квітня відбудеться курс Data Analytics and AI 2019, під час якого Олександр Романко розповідатиме про основи аналізу даних, побудову моделей, досвід AI у IBM Canada.

Олександр Романко працює старшим науковим співробітником в IBM Canada, викладає в Університеті Торонто, УКУ (Український Католицький Університет) і KSE (Kyiv School of Economics).

Олександр отримав докторський та магістерський ступені у галузі комп’ютерних наук в Університеті МакМастер (Канада), магістерський ступінь з економіки в Карловому Університеті (Чеська Республіка) і диплом спеціаліста Сумського державного університету.

За два дні курсу ви:

– навчитеся впорядковувати та “чистити” дані;
– будувати моделі за допомогою Python;
– навчитеся критично аналізувати результати моделювання;
– зможете приймати рішення на основі отриманих результатів.

Мова курсу: українська, слайди і пояснення до Python прикладів англійською

Для кого розроблено курс:

– junior — middle розробників;
– бізнес та фінансових аналітиків;
– junior data scientists;
– менеджерів, які хочуть працювати з даними;
– студентів.

Запрошені спікери

[:en]nika[:]

Вероніка Тамайо Флорес

Head of consulting, Data Science UA

[:en]savsunenko[:]

Олександр Савсуненко

Head of AI Lab, Skylum Software, PhD

[:en]Vasyl Sergienko[:]
Василь Сергієнко

Marketing manager, Skylum Software

Програма курсу

День 1

1. Introduction to data science and analytics

  • Data science concepts
  • Application areas

2. Getting data into Python

  • Working with CSV and JSON format/files
  • Web-scraping in Python
  • Using APIs in Python (Twitter API, New York Times API, etc.)
  • Using cloud AI services from Python

3. Machine Learning I – linear and logistic regressions

  • Modeling process and machine learning
  • Optimization for regression modeling, data science and AI
  • Linear regression

Machine Learning I – linear and logistic regressions

  • Logistic regression
  • Regression case studies in Python
День 2

1. Machine Learning II – advanced classification and clustering

  • Classification (decision trees, SVM, kNN)
  • Clustering (K-means, Fuzzy C-means, Hierarchical Clustering, DBSCAN)
  • Association rules
  • Ensemble methods (random forests, Xgboost)
  • Machine learning case studies in Python

2. Cognitive computing and artificial intelligence

  • Text analytics and Natural Language Processing (NLP)
  • Neural networks and brief introduction to deep learning
  • Spatio-temporal analytics
  • Cognitive computing case studies in Python

3. Visual analytics and storytelling based on analytics

  • Visual analytics and visualizations
  • Validating analytics
  • Storytelling based on analytics
  • Decision-making based on analytics